基于CNN-LSTM的欧盟两国太阳能发电量多输出时序预测模型改造咨询

方案1：特征拆分+共享主干分支（推荐，适合数据分布相似的国家） #

将输入的8维特征拆分为两个国家各自的4维特征，共享同一个CNN-LSTM特征提取主干，最后分别输出每个国家的24步预测并拼接结果。这种方式既复用通用特征提取能力，又能明确区分不同国家的预测任务。

代码实现 #

import tensorflow as tf

def get_joint_model(window_size, n_features_per_country=4):
    # 定义输入层
    inputs = tf.keras.layers.Input(shape=(window_size, n_features_per_country*2))
    
    # 拆分输入为两个国家的特征组
    x1 = tf.keras.layers.Lambda(lambda x: x[:, :, :n_features_per_country])(inputs)
    x2 = tf.keras.layers.Lambda(lambda x: x[:, :, n_features_per_country:])(inputs)
    
    # 定义共享的CNN-LSTM主干网络
    shared_backbone = tf.keras.models.Sequential([
        tf.keras.layers.Conv1D(filters=64,
                               kernel_size=6,
                               strides=1,
                               padding="causal",
                               activation="relu"),
        tf.keras.layers.LSTM(128, return_sequences=True, recurrent_regularizer=tf.keras.regularizers.l1_l2(l1=1e-2, l2=1e-2)),
        tf.keras.layers.Dropout(0.3),
        tf.keras.layers.LSTM(128, recurrent_regularizer=tf.keras.regularizers.l1_l2(l1=1e-2, l2=1e-2)),
        tf.keras.layers.Dropout(0.3),
        tf.keras.layers.Dense(64, activation="relu")
    ])
    
    # 两个国家共享主干提取特征
    features1 = shared_backbone(x1)
    features2 = shared_backbone(x2)
    
    # 每个国家的24步预测头
    pred1 = tf.keras.layers.Dense(window_size, activation="relu")(features1)
    pred2 = tf.keras.layers.Dense(window_size, activation="relu")(features2)
    
    # 拼接结果，输出形状为(batch, 24, 2)
    outputs = tf.keras.layers.Concatenate(axis=-1)([pred1, pred2])
    
    model = tf.keras.models.Model(inputs=inputs, outputs=outputs)
    model.summary()
    
    model.compile(loss="mse", optimizer=tf.keras.optimizers.Adam(learning_rate=1e-4), metrics=["mae"])
    return model

# 调用模型：窗口大小24，每个国家4个特征
model = get_joint_model(24)

说明 #

• 拆分输入避免不同国家的特征互相干扰，让模型明确区分任务
• 共享主干减少参数量，同时学习太阳能预测的通用规律（如天气与发电量的关联）

方案2：独立分支+特征融合（适合数据差异大的国家） #

如果两个国家的气象条件、发电设施差异明显，让各自的分支独立学习特征会更有效，可选在中间层融合两个分支的信息，挖掘国家间的潜在关联。

代码实现 #

import tensorflow as tf

def get_joint_model(window_size, n_features_per_country=4):
    inputs = tf.keras.layers.Input(shape=(window_size, n_features_per_country*2))
    
    # 拆分输入
    x1 = tf.keras.layers.Lambda(lambda x: x[:, :, :n_features_per_country])(inputs)
    x2 = tf.keras.layers.Lambda(lambda x: x[:, :, n_features_per_country:])(inputs)
    
    # 国家1的独立特征提取分支
    branch1 = tf.keras.models.Sequential([
        tf.keras.layers.Conv1D(filters=64, kernel_size=6, strides=1, padding="causal", activation="relu"),
        tf.keras.layers.LSTM(128, return_sequences=True, recurrent_regularizer=tf.keras.regularizers.l1_l2(l1=1e-2, l2=1e-2)),
        tf.keras.layers.Dropout(0.3),
        tf.keras.layers.LSTM(128, recurrent_regularizer=tf.keras.regularizers.l1_l2(l1=1e-2, l2=1e-2)),
        tf.keras.layers.Dropout(0.3),
        tf.keras.layers.Dense(64, activation="relu")
    ])
    
    # 国家2的独立特征提取分支（可根据需求调整参数）
    branch2 = tf.keras.models.Sequential([
        tf.keras.layers.Conv1D(filters=64, kernel_size=6, strides=1, padding="causal", activation="relu"),
        tf.keras.layers.LSTM(128, return_sequences=True, recurrent_regularizer=tf.keras.regularizers.l1_l2(l1=1e-2, l2=1e-2)),
        tf.keras.layers.Dropout(0.3),
        tf.keras.layers.LSTM(128, recurrent_regularizer=tf.keras.regularizers.l1_l2(l1=1e-2, l2=1e-2)),
        tf.keras.layers.Dropout(0.3),
        tf.keras.layers.Dense(64, activation="relu")
    ])
    
    features1 = branch1(x1)
    features2 = branch2(x2)
    
    # 可选：融合两个分支的特征，挖掘国家间关联
    # fused_features = tf.keras.layers.Concatenate(axis=-1)([features1, features2])
    # fused_features = tf.keras.layers.Dense(64, activation="relu")(fused_features)
    
    # 生成预测结果
    pred1 = tf.keras.layers.Dense(window_size, activation="relu")(features1)
    pred2 = tf.keras.layers.Dense(window_size, activation="relu")(features2)
    
    outputs = tf.keras.layers.Concatenate(axis=-1)([pred1, pred2])
    
    model = tf.keras.models.Model(inputs=inputs, outputs=outputs)
    model.summary()
    
    model.compile(loss="mse", optimizer=tf.keras.optimizers.Adam(learning_rate=1e-4), metrics=["mae"])
    return model

说明 #

• 独立分支让模型针对每个国家的特性学习专属特征，避免通用模式干扰
• 可选的融合层可捕捉区域气象联动等跨国家关联信息

方案3：最小改动适配（快速验证） #

如果不想大幅修改原有结构，可通过分组卷积让模型自动区分两个国家的特征，同时调整输出层适配目标形状。

代码实现 #

import tensorflow as tf

def get_model(window_size, n_features):
    model = tf.keras.models.Sequential([
        # 分组卷积：将8维特征分为2组，每组对应一个国家的4个特征
        tf.keras.layers.Conv1D(filters=64,
                               kernel_size=6,
                               strides=1,
                               padding="causal",
                               activation="relu",
                               groups=2,
                               input_shape=[window_size, n_features]),
        tf.keras.layers.LSTM(128, return_sequences=True, recurrent_regularizer=tf.keras.regularizers.l1_l2(l1=1e-2,l2=1e-2)),
        tf.keras.layers.Dropout(.3),
        tf.keras.layers.LSTM(128, recurrent_regularizer=tf.keras.regularizers.l1_l2(l1=1e-2,l2=1e-2)),
        tf.keras.layers.Dropout(.3),
        tf.keras.layers.Dense(64, activation="relu"),
        # 先输出48维（24*2），再reshape为(24,2)适配目标形状
        tf.keras.layers.Dense(window_size*2, activation="relu"),
        tf.keras.layers.Reshape((window_size, 2))
    ])
    
    model.summary()
    model.compile(loss="mse", optimizer=tf.keras.optimizers.Adam(learning_rate=1e-4), metrics=["mae"])
    return model

# 调用模型：窗口大小24，总特征数8
model = get_model(24, 8)

说明 #

• 分组卷积强制模型按国家分组处理特征，避免交叉干扰
• 改动最小，适合快速验证双国家预测的可行性

关键注意事项 #

• 数据对齐：确保两个国家的时序数据在时间步上严格对齐，避免时间错位导致预测偏差
• 自定义损失：若需给不同国家的预测分配权重，可自定义损失函数，例如：

  def weighted_mse(y_true, y_pred):
      return 0.6*tf.keras.losses.mse(y_true[:,:,0], y_pred[:,:,0]) + 0.4*tf.keras.losses.mse(y_true[:,:,1], y_pred[:,:,1])
  

• 正则化调整：模型参数量可能增加，保持或适当调整L1/L2正则化强度，防止过拟合

内容的提问来源于stack exchange，提问作者Mikołaj Jędrzejewski